← Voltar ao blog
Aicerca de 7 min de leitura

A Meitu dividiu a criação de IP em dois botões: um cuida do rosto, outro do movimento

Publicado 11 de nov. de 2026
A Meitu dividiu a criação de IP em dois botões: um cuida do rosto, outro do movimento

Entre 29 de outubro e 1º de novembro, Xiamen recebeu a 17ª Feira de Indústrias Culturais dos dois lados do Estreito. No pavilhão de Fujian, a Meitu montou estande com o RoboNeo, sua plataforma de criação de imagens por IA, e concentrou a apresentação em três tarefas bem menos vistosas: criar um personagem próprio, escrever histórias seriadas em torno dele e transportar os movimentos desse personagem para cenas novas.

Quem apresentou o pedido no estande foi um comerciante de alimentos. Ele queria um IP de marca reconhecível, queria publicar conteúdo atrelado a tendências sem parar, mas contratar uma equipe profissional custa caro e ele não sabe fazer sozinho. A descrição é quase o retrato do cliente real de vídeo com IA na China: não é a produtora de cinema, é o pequeno comerciante sem orçamento que precisa postar todos os dias.

Parecer sempre a mesma pessoa é a parte difícil

Gerar uma imagem isolada deixou de ser problema faz tempo. O problema é a segunda, a quinta, a vigésima imagem mostrarem a mesma pessoa.

A saída do RoboNeo se chama “bloqueio de estilo da imagem do IP”: o comerciante cria um personagem e depois produz em lote, a partir dele, pacotes de figurinhas, cartazes e fotos de produto. A empresa afirma que a consistência de traços e de roupa entre imagens melhorou de forma clara. Soa banal, mas na produção real isso decide se o negócio fecha ou não. Se o gatinho que você publicou hoje não é o mesmo gatinho da semana passada, o público não memoriza, o IP não se sustenta e a conta fica dependente de um post viral isolado.

A dificuldade da consistência de personagem não está em “desenhar parecido”, está em “para onde vai a informação”. Uma imagem carrega ao mesmo tempo identidade (quem é), estilo (com o que foi desenhado), pose, iluminação e composição. Em gerações encadeadas, se esses fatores não forem separados, o modelo adivinha a identidade outra vez a cada rodada, e um erro pequeno já troca o rosto. A prática do setor é extrair os traços de identidade e transformá-los em condição: imagem de referência mais codificação de identidade, ou uma região do espaço latente reservada só para a identidade. O nome importa pouco. O que importa é que a informação de identidade seja mais “dura” do que a de estilo.

O movimento é a parte realmente interessante desta vez

A captura de movimento que o RoboNeo exibe não segue a lógica do “vídeo para vídeo” comum. Ela extrai do vídeo de referência **proporções do corpo, relações espaciais e movimento de câmera**, ao mesmo tempo em que enfraquece as características de aparência do vídeo original.

Duas figuras idênticas de argila crua sobre uma mesa clara de estúdio, uma parada e outra em passada, com uma armação de arame tênue no ombro.

Essa frase tem mais conteúdo técnico do que aparenta. A transferência de movimento guiada por vídeo carrega dois vícios antigos:

O primeiro é o **vazamento de aparência**. Você quer que o seu personagem de desenho dance a coreografia do vídeo de referência, e o resultado sai com a roupa do vídeo, com o rosto do vídeo. O modelo não distingue “quero o movimento” de “quero este vídeo”.

O segundo é a **deriva estrutural**. Quando a amplitude do movimento cresce, as proporções do corpo deformam, braço longo e perna curta; quando a câmera se move, a relação entre fundo e frente se desorganiza. A causa é a falta de esqueleto, profundidade e trajetória de câmera explícitos no sinal de condição, o que obriga o modelo a adivinhar a partir dos pixels.

Separar a informação do vídeo de referência em “estrutura” e “aparência” e deixar só a estrutura entrar como condição é a direção dominante dos últimos dois anos: esqueleto para as articulações, mapa de profundidade para as oclusões, trajetória de câmera para o enquadramento. Parece direto, mas na engenharia é sujo, porque quando os três sinais se contradizem alguém precisa definir prioridades na mão. O RoboNeo empacotou esse conjunto em botões que o comerciante consegue clicar. Isso é valor de produto, não de artigo acadêmico.

A bancada de roteiro resolve outra deriva

O terceiro recurso é uma bancada de roteiro baseada em “nós de roteiro + memória de projeto”: o criador organiza a intenção em várias rodadas de conversa, decompõe a trama e segue adiante em torno do personagem já definido, para fazer episódios unitários e microséries.

O recurso parece uma ferramenta de escrita, mas na prática administra a **consistência entre episódios**. No oitavo episódio de uma série curta, a personalidade, as relações, o que foi dito e os lugares por onde o personagem passou precisam continuar disponíveis. Sem memória de projeto, o modelo entende do zero, a cada episódio, “qual é a relação entre essas duas pessoas”, e o resultado necessariamente se contradiz. A qualidade dessa camada de memória define se dá para produzir conteúdo seriado ou apenas peças soltas.

A barreira caiu, a exigência não

Na mesma semana da feira havia outro caso para comparar. Em 4 de novembro, a CCTV, na trilha “Conexão Wuzhen” da cúpula de Wuzhen, mostrou o empreendedor Qin Wenshan, de Xiangcheng, em Suzhou: uma pessoa com sete funcionários digitais de IA — controle executivo, roteirista, diretor, storyboarder, produtor de ativos, produtor de vídeo e editor — formando uma linha de produção de conteúdo AIGC. Entre suas obras, a animação AIGC de longa-metragem “Um Panda, Uma Palma” entrou na 16ª edição do Festival Internacional de Cinema de Pequim, e “Cangjie, o Santo dos Caracteres”, de tema histórico-mitológico, também foi anunciada para este ano. Xiangcheng já organizou 36 comunidades OPC e mais de 100 empresas OPC concluíram o registro.

“Uma pessoa, uma empresa” soa sedutor, mas exige mais capacidade, não menos. Antes, você tinha fotógrafo, iluminador, editor e diretor de arte cobrindo cada decisão. Agora todas essas decisões são suas. A ferramenta cortou a barreira da execução e deixou a do repertório exatamente onde estava.

Isso também explica por que a competição nessa categoria saiu de “consegue gerar” para “consegue produzir a mesma coisa de forma estável”. O comerciante não quer uma imagem deslumbrante, quer trezentas imagens utilizáveis, e nelas a pessoa precisa ser a mesma, com movimentos que sirvam ao que ele vende.

Três perguntas sem resposta

Primeira: onde está o teto da precisão de movimento. Se o vídeo de referência traz interação manual complexa, giro rápido ou oclusão frequente, a informação estrutural já é incompleta, e nenhuma separação, por melhor que seja, recupera o que falta.

Segunda: a plausibilidade física da linguagem de câmera. Extrair o movimento de câmera não é entender o movimento de câmera. Travelling, zoom e panorâmica reais obedecem a uma lógica espacial. Aplicar isso de forma bruta em uma cena nova deixa o espectador tonto. Nesse ponto, todas as ferramentas ainda improvisam.

Terceira: controle de qualidade em lote. Entre um clipe aceitável e cem clipes aceitáveis existe um processo: quem define o padrão, quem faz a amostragem, quantas vezes o reprovado é refeito, como se calcula o custo. Sem ferramenta nessa etapa, o resto, por mais bonito, não chega ao chão de fábrica.

Para o pequeno e médio comerciante, o sentido real de uma plataforma como o RoboNeo é transformar “fazer um IP” de projeto em linha de produção. Se a linha vai continuar girando depende de ela aguentar as três perguntas acima.

Artigos relacionados